従来の無線周波数（RF）受動部品のモデリングは、ジオメトリと周波数の設計スペースをカバーするために広範な電磁（EM）シミュレーションを必要とし、計算のボトルネックを引き起こしていました。本論文では、RF受動部品の効率的なパラメトリックモデリングのための、不確実性を考慮したベイズオンライン学習フレームワークを紹介します。このフレームワークには、1）不確実性を定量化しながらジオメトリ-周波数領域を共同でモデリングするための再構成可能なヘッドを持つベイズニューラルネットワーク、2）ジオメトリパラメータと周波数領域にわたるトレーニングデータのサンプリングを不確実性のガイダンスを用いて同時に最適化する適応サンプリング戦略が含まれています。3つのRF受動部品で検証した結果、このフレームワークは従来の機械学習ベースのフローに比べてわずか2.86%のEMシミュレーション時間で正確なモデリングを実現し、35倍のスピードアップを達成しました。